1.基于神经网络与进化算法博弈模型的天线多目标优化方法,其特征是,包括步骤如下:
步骤1、先根据给定的设计目标确定馈源结构;再根据确定的馈源结构和给定的设计目标确定透镜结构;最后将确定的透镜结构与馈源结构进行匹配和固定,得出透镜天线结构模型;
步骤2、利用MATLAB-CST联合仿真对步骤1的透镜天线结构模型进行一体化建模,得到透镜天线的一体化结构模型;
步骤3、根据设计目标定义粒子群遗传算法和逆向神经网络的预测值的目标函数;该目标函数包含两个以上的子目标函数,每个子目标函数对应不同的性能指标,并根据性能指标的重要程度对每个子目标函数进行权重分配;
步骤4、设定粒子群遗传算法的初始总优化代数和初始种群规模;同时,设定粒子群遗传算法和逆向神经网络的关键参数;其中粒子群遗传算法的关键参数包括变异概率和交叉概率;逆向神经网络的关键参数包括输入层、隐藏层与输出层的维度、训练次数、以及损失函数;
步骤5、初始化粒子群遗传算法种群中粒子的位置与速度、个体极值、以及群体极值,并令种群中的每个粒子的位置代表1个透镜天线的结构参数向量;
步骤6、基于步骤2的透镜天线的一体化结构模型和步骤3的目标函数执行粒子群遗传算法;在执行粒子群遗传算法每一次迭代过程中:步骤6.1、将种群中每个粒子的位置即透镜天线的结构参数向量送入到步骤2的透镜天线的一体化结构模型中,通过在MATLAB中编写相应程序调用CST对透镜天线的一体化结构模型中的透镜与馈源进行参数化建模,得到每个透镜天线的结构参数向量所对应的透镜天线的各个性能指标的实际值;
步骤6.2、将步骤6.1的每个透镜天线的结构参数向量和透镜天线的结构参数向量所对应的透镜天线的各个性能指标的实际值带入到步骤3定义的目标函数中,计算每个透镜天线的结构参数向量所对应的目标函数;
步骤6.3、基于步骤6.2计算的目标函数更新个体极值和群体极值,其中个体极值为种群中的每个粒子迄今为止搜索到的最好位置,群体极值为种群中的所有粒子迄今为止搜索到的最好位置;
步骤7、迭代执行步骤6的粒子群遗传算法,直到粒子群遗传算法的迭代次数达到了当前的总优化代数时,判断群体极值对应的各个子目标函数是否均处于设定的限定范围内:如果是,则当前群体极值作为最终优化的透镜天线的结构参数向量输出;
否则,将当前的种群的所有粒子的位置即所有透镜天线的结构参数向量及其所对应的透镜天线的各个性能指标的实际值组成训练集,并传递给逆向神经网络进行训练,得到当前训练好的逆向神经网络;
步骤8、将设定的透镜天线的各个性能指标的目标值送入步骤7训练好的逆向神经网络,得到预测的透镜天线的结构参数向量;同时,预测的透镜天线的结构参数向量送入到步骤2的透镜天线的一体化结构模型中,通过在MATLAB中编写相应程序调用CST对透镜天线的一体化结构模型中的透镜与馈源进行参数化建模,得到预测的透镜天线的结构参数向量所对应的透镜天线的各个性能指标的仿真值;
步骤9、利用步骤8所得到的预测的透镜天线的结构参数向量和透镜天线的各个性能指标的仿真值带入到步骤3定义的目标函数中,计算此时透镜天线的结构参数向量所对应的目标函数,并判断所计算的目标函数是否收敛:如果收敛,则当前预测的透镜天线的结构参数向量作为最终优化的透镜天线的结构参数向量输出;
否则,先将当前预测的透镜天线的结构参数向量与粒子群遗传算法中的当前最差个体极值进行比较:若当前预测的透镜天线的结构参数向量优于当前最差个体极值,则将当前预测的透镜天线的结构参数向量替换当前最差个体极值;否则,不做处理;再令总优化代数和初始的种群规模同时增加,并返回步骤5。
2.根据权利要求1所述的基于神经网络与进化算法博弈模型的天线多目标优化方法,其特征是,步骤3中,定义的目标函数为:式中,为目标函数;为第i个子目标函数,为设定的第i个子目标函数的权重因子,为待满足的透镜天线的性能指标数量;为设定的透镜天线在工作频率下的第i个性能指标的目标值,为透镜天线在工作频率下的第i个性能指标的实际值,为透镜天线的最大工作频率;为透镜天线的最小工作频率;为维的归一化结构参数向量,为待优化的透镜天线的结构参数的数量。